Youran Sun

一项新基准把资深研究员对科研智能体的纠正整理成248道二选一判断题：在只看纠正前项目记录的条件下，五个前沿模型中有四个更常选中被人类改掉的原始方案，最高正确率63.5%，而首次接触这些项目的新手研究员为73.4%。基准取自26个横跨六个学科、历时约半年的真实科研项目，每题都要求模型在原始计划与人类修正方案之间做出选择。

一项新基准把资深研究员对科研智能体的纠正整理成248道二选一判断题：在只看纠正前项目记录的条件下，五个前沿模型中有四个更常选中被人类改掉的原始方案，最高正确率63.5%，而首次接触这些项目的新手研究员为73.4%。基准取自26个横跨六个学科、历时约半年的真实科研项目，每题都要求模型在原始计划与人类修正方案之间做出选择。